改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

用于卫星遥感图像的多尺度目标检测算法

为解决在卫星遥感图像的多尺度目标检测中出现的背景混乱、小目标检测精度低、漏检率高等问题，提出一种用于卫星遥感图像的多尺度目标检测算法。在主干网络中使用通道和空间注意力模块，并重新设计特征融合网络，实现上采样-下采样-上采样的多重融合，并在其中加入通道权重参数，让网络更加关注重要的层次，实现不同层次特征信息的充分利用，使细节特征信息得到增强。在DIOR数据集中的实验结果表明，所提算法不仅显著提升对小目标的检测效果，而且提高对复杂场景中目标的检测精度，与YOLOv5m相比，对部分较小或者复杂的目标检测效果提升明显，精度提升4.5个百分点以上，整体精度提升3.1个百分点。     

基于深度学习的遥感图像移动小目标轻量化检测方法

由于遥感图像背景复杂,移动小目标的检测难度较大,为此提出了基于深度学习的遥感图像移动小目标轻量化检测方法。为了保障目标检测效果,建立了轻量化主干网络划分遥感图像目标区域。采用深度学习方法预训练划分的遥感图像目标区域。依据训练结果确定遥感图像目标区域。根据确定的遥感图像目标区域提取目标特征。利用SSD(Single Shot MultiBox Detector)目标检测算法对提取的目标特征实行回归分类,完成遥感图像移动小目标轻量化检测。实验结果表明,该方法的检测率高于90%,虚警率低于10%,且不存在漏检问题,负荷实际结果,说明该方法的遥感图像移动小目标的检测效果较好。     

融合SPP与FPN的光学遥感图像飞机目标检测

针对光学遥感图像飞机目标背景复杂、检测精度与检测速度不平衡、易漏检等问题,提出一种融合不同网络模块的SPSSD模型。首先,采用Resnet50替换SSD300算法中的特征提取网络,并加入可操控的空洞卷积模块,扩大特征感受野获取更多有利检测目标的特征信息;其次,加入FPN和SPP网络,得到浅层特征信息,并将感受野二次放大后的特征与深层特征信息进行融合;然后,送入ECANet网络中获取更加完整且更具有判断力的特征信息;最后,采用NWPU-RESISC45数据集3400张高分辨率飞机遥感图像输入至SPSSD模型中迭代训练,最终改进算法模型mAP值达到92.68%,较改进前的算法模型提升了5.18个百分点,检测速度达到25.1帧/s。实验结果表明,该方法可以有效兼顾飞机目标的检测精度与检测速度,一定程度上降低了目标漏检率。     

红外热成像中低分辨率行人小目标检测方法

红外热成像图像的目标检测中,针对低分辨率小目标检测效果差、复杂尺度目标检测率低等问题,提出一种基于改进YOLOv5的红外低分辨率目标检测算法。选用LLVIP红外数据集,通过引入不同注意力机制来对比检测效果。选用效果最佳的注意力机制,改进目标检测网络的损失函数提高对小目标的检测率。利用TiX650热成像仪采集小目标图像样本对原数据集进行优化采样和增广,分别使用改进前后的YOLOv5网络进行训练。从模型训练结果和目标检测结果评估模型的性能提升,实验结果表明:相较于原始训练模型,改进后YOLOv5的训练模型,在红外成像的同一场景中对低分辨率小目标的检测精度上有明显提升,且漏检率低。     

基于Mask R-CNN的雾天场景目标检测

针对雾天遥感图像目标检测困难的问题,提出了一种基于Mask R-CNN的改进方法。在Mask R-CNN的基础上加入去雾算法,使雾天情形下检测精度提升18.71%,有效改善雾天场景下目标检测的效果。为进一步提高遥感图像中多尺度目标的检测精度,采用基于最优的特征组合的循环神经网络代替特征金字塔结构,减少了特征信息在传递过程中的流失;重新设计区域建议网络生成候选框的尺寸,并采用Soft-NMS筛选候选框,减小候选框的回归误差。经过实验分析,改进后算法的检测精度和召回率分别提升5.37%和6.37%。     

基于改进YOLOv4的遥感图像目标检测

针对遥感图像在复杂背景下因特征提取和表达能力不足而存在漏检和检测效果不佳的 问题,提出一种优化 特征提取网络的YOLOv4算法模型。该改进模型引入了一种新的Dense-PANet结构以获取更高 的分辨率特征, 并通过在特征提取网络中嵌入注意力机制以适应遥感图像因视野范围大而导致复杂背景下小 目标漏检和检测效 果不佳的问题。为了证明本文所提方法的有效性,针对DIOR遥感数据源进行了对比实验, 结果表明,本文算 法平均准确率(mean average precision,mAP)为86.55%,相比原 算法提高了2.5 2%,较YOLOv3、RetinaNet提高了6.58%、 14.09%,验证了所改进算法的有效性。     

基于样本迭代融合的海洋生物检测

海洋生物相互聚集形成遮挡现象是误检和漏检的重要原因。为了解决这个问题，提出一种采用样本迭代融合辅助网络训练的海洋生物检测方法。首先，选用改进后的深度空洞残差结构作为特征提取网络，提升了网络的特征提取能力；然后，结合海洋生物图像目标遮挡、密集的特点，改进损失函数避免发生误检、漏检现象；最后，为了进一步解决目标遮挡、数据不平衡的问题，提出样本迭代融合方法，生成模拟图像扩充训练集，提高了网络训练的有效性和对小样本量海洋生物的检测能力。实验结果表明，所提海洋生物检测方法在URPC2018和台湾鱼类数据集上的准确率分别达91.36%和90.27%，检测准确率和速度高于现有目标检测算法。     

基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

针对遥感图像目标检测的改进YOLOv5s算法

针对遥感图像中背景复杂、小目标分布密集以及易受环境因素影响导致检测性能不佳的问题,提出一种改进的YOLOv5s目标检测算法。首先,通过设计一种混淆鉴别注意力机制（Confusion-Distinguishable Attention,CDA）来避免目标与背景之间的混淆,提高对目标信息的关注度,能够有效提升目标检测的准确性和健壮性。其次,在原结构的颈部添加小目标检测层,解决小目标分布紧密、漏检的现象,从而提高算法的多尺度目标检测性能。最后,在DOTA数据集中进行实验和验证。实验结果表明,所提算法能够明显提高遥感图像目标检测的平均准确率。     

融合注意力机制的遥感图像旋转目标检测算法

针对光学遥感图像目标检测中存在的精度低及忽略目标方向性的问题,提出了一种基于改进YOLOv5m的遥感图像旋转目标检测算法。首先,融合注意力机制模块提升模型对重要特征的提取能力;其次,在特征融合模块部分考虑各节点特征融合的贡献度,并增加同一特征尺度的跳跃连接;最后,针对旋转检测中存在的角度边界问题,使用密集编码标签对角度进行离散化处理。实验结果表明,所提算法在DOTA数据集子集上的检测精度达到了82.75%,在小幅降低模型计算量的情况下,较原有YOLOv5m提升了11.73个百分点,同时在HRSC2016舰船数据集上也取得了88.89%的检测精度。即该算法能有效提升光学遥感图像旋转检测的精度。     

基于深度学习的旋转目标检测技术研究

针对传统目标检测算法未考虑物体角度信息而出现的漏检、错检问题,提出了一种基于YOLOv5s的改进算法。在原始YOLOv5s的基础上,首先结合环形平滑标签技术（CSL）及对损失函数的改进,让网络有了对角度预测的能力;其次增加目标检测层提升了网络对小目标检测的能力,接着融合CBAM注意力机制让网络重点关注对有用信息的学习;最后采用迁移学习的策略初始化网络各层参数。为了验证算法的有效性,自制了标签数据集LDS并做了算法对比试验,实验结果表明,在LDS数据集上,改进后的YOLOv5s算法检测精度达89.94%,相较于原始网络,在检测速度没有下降的基础上检测精度提升了4.80%。     

一种基于改进的DCL算法与SSD检测网络的遥感影像检测方法

大尺寸遥感图像中小目标和密集目标的检测一直存在着检测准确率低、漏检率高的问题，基于此，以改进的DCL算法处理遥感影像，实现了区块划分，再对各区块的显著性区域进行提取，同时利用深度学习SSD网络，针对密集小目标?进行 了目标数量及间距占比研究，并得出定量关系。实验结果显示该方法的检测准确率大大提高，漏检率大大降低，检测时间明显缩短，成功实现了大尺寸遥感影像中的目标自动识别问题。     

基于深度学习的遥感建筑物识别方法研究

针对遥感影像建筑物识别中遇到的小目标漏检、背景复杂度高、虚警干扰因素多等问题,提出了一种基于深度学习的改进YOLOv3算法。以一阶段代表算法YOLOv3为基础,通过改进网络结构,修改特征图尺度,嵌入空洞卷积模块,加强算法检测能力和精度。实验数据表明,改进YOLOv3算法在满足了实时性的基础上,平均检测精度和召回率都较之原算法分别提高了4.47%和2.59%,因此提出的方法有效提高了对遥感建筑物的检测效果。     

基于YOLOv5算法的足球训练识别系统

随着全民健身时代的发展,体育运动分析越来越重要。文章设计了一个基于YOLOv5目标检测算法的足球识别系统,该系统通过预先准备的足球训练集对YOLOv5训练得到初步目标检测算法模型之后,再通过K-means算法进行二次算法模型分析,对图像聚类分析改进算法对图像特征。在算法训练结束后,文章对此目标检测算法模型进行测试,测试结果表明：聚类分析后的目标算法模型对足球漏检的情况显著变少,而且对足球的实时检测效果表现良好,提升了算法识别速度和识别准确度;其mAP平均精度达到了98.6%,与原改进前提升了1%。     

地面小目标快速检测算法研究

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象。针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测。利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小。通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度。在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04%,查全率提高了6.44%;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7%。在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24%。      

基于多层注意力机制的口罩佩戴检测算法改进

针对已有的对于口罩的目标检测算法中存在的问题,如对小目标检测精度低,复杂场景下出现漏检等问题,提出了一种基于多层注意力机制的口罩佩戴检测算法YOLOX-l-sd。通过在骨干网络中添加Swin Transformer的特征层来提升目标检测算法的性能,加入多层注意力机制提高特征提取效果以及减少计算量,采用DIOU损失函数提升模型的精度,采用DW卷积以进一步减少计算量。实验结果表明,相比原YOLOX-l模型,改进后的模型在精度上提高了2.45%,达到了预期的效果。     

基于改进SSD的X光图像管制刀具检测与识别

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。